Data Breakfast : La transformation digitale à l'heure de la data
•Download as PPTX, PDF•
6 likes•1,456 views
Converteo vous présente le support de communication de son Data Breakfast, le RDV dédié à la transformation digitale à l'heure de la data. La matinée est composée de trois tables rondes incluant le retour d'expérience d'entreprises engagées dans leur transformation data sur : - La démocratisation de la data - L'achat média à l'heure de la data - Les vrais apports du Big Data entreprise
Recommended
Recommended
More Related Content
What's hot
What's hot (20)
Viewers also liked
Viewers also liked (19)
Similar to Data Breakfast : La transformation digitale à l'heure de la data
Similar to Data Breakfast : La transformation digitale à l'heure de la data (20)
Data Breakfast : La transformation digitale à l'heure de la data
- 2. SMART DIGITAL & DATA CONSULTANTS #DataBreakfast2016 SMART DATA Collecte etingénierie Analyticset DataScience Activationet automatisation SMART ORGANISATION Expertiseet culturedigital&data Conduite agile du changement Gouvernance etprocessus SMART MARKETING Parcours client cross-canal Media&audiencemanagement Offre produitsetservices Collecte etingénierie Analyticset DataScience Activationet automatisation
- 4. #DataBreakfast2016#DataBreakfast2016 Véronique Chupin Consultante Web Analytics – Direction Marketing Digital Matthieu Ruault Directeur Solutions Marketing Digital & Smart Data Damien Bigot Responsable Data et Outils Marketing La démocratisation de la data Table ronde animée par : Raphaël Fétique - Directeur Associé (Converteo)
- 6. #DataBreakfast2016#DataBreakfast2016 Votre position au sein de l’organisation ? Rattaché à ? Profils des équipes ? Interaction avec ? Outils ?
- 7. #DataBreakfast2016#DataBreakfast2016 Quel intérêt de démocratiser la data ? Collecte / Traitement / Accès / Analyse / Modélisation
- 8. #DataBreakfast2016#DataBreakfast2016 Le mouvement est en marche / Chiffres à l’appui ! • 1 214 tickets JIRA traités • + de 100 personnes formées • 245 comptes Adobe actifs en 2016 • 30 000 pages trackées • + de 100 tags actifs sur Eulerian • 425 litres de café et 37 paquets de schoko-bons
- 9. #DataBreakfast2016#DataBreakfast2016 La méthode agile au service de la data ? Pourquoi ? Compatibilité ? Nécessaire ?
- 10. #DataBreakfast2016#DataBreakfast2016 Le projet data democratizator Prise besoin métier Plan de marquage + création du ticket JIRA Evaluation et priorisation du ticket Rédaction des specs et développements Recette préliminaire Développements Recette avant MEP MEP MEP Recette post MEPWebana Métier Feature Team Webana Technique Accompagnement métier Développements Support lors de la recette MEP Support recette post MEP Webana Métier Feature Team Webana Technique
- 11. #DataBreakfast2016#DataBreakfast2016 Le travail sur la formation
- 12. #DataBreakfast2016#DataBreakfast2016 Et le travail d’évangélisation Les campagnes Display s’appuient sur les critères comportementaux collectés par Eulerian et transmis à la DMP Eulerian
- 13. #DataBreakfast2016#DataBreakfast2016 Mettre à disposition la donnée aux utilisateurs métiers pour qu’ils s’approprient sa visualisation
- 14. #DataBreakfast2016#DataBreakfast2016 Repenser le rôle de chacun et le travail multidisciplinaire
- 15. #DataBreakfast2016#DataBreakfast2016 Quel rôle pour la DG dans la démocratisation de la data ? http://www.lefigaro.fr/societes/2015/04/22/20005-20150422ARTFIG00339-comment-la-sncf-compte-attirer-les-touristes-etrangers-en-france.php
- 17. #DataBreakfast2016#DataBreakfast2016 L’achat média à l’heure de la data Aline Ducret Responsable E-Business Sophie Guillot Responsable Acquisition & Data E-Commerce Bintou Mariko Quattara Responsable Acquisition de Trafic Digital Table ronde animée par : Frédéric Marty-Debat, Manager (Converteo)
- 18. #DataBreakfast2016#DataBreakfast2016 Les exemples 18 Agence Organisation Outils L’achat média à l’heure de la data Votre écosystème média actuel ?
- 19. #DataBreakfast2016#DataBreakfast2016 Les exemples 19 1st 2nd 3rd L’achat média à l’heure de la data Quelle data pour votre écosystème?
- 20. #DataBreakfast2016#DataBreakfast2016 Les exemples L’achat média à l’heure de la data Intégrer le CRM dans l’achat Média ? Scénarii Avec ou Sans DMP ?
- 21. #DataBreakfast2016#DataBreakfast2016 Les exemples L’achat média à l’heure de la data GAFAS juge et partie ? Challenger les outils Connaissance Client & Ressource Interne
- 22. #DataBreakfast2016#DataBreakfast2016 Les exemples L’achat média à l’heure de la data Confiance & Transparence? Interne Partenaires Clients
- 24. #DataBreakfast2016#DataBreakfast2016 Retours d’expérience sur les vrais apports du Big Data en entreprise Adrien Bouhot Consultant Big Data Table ronde animée par : Thomas Faivre-Duboz, Co-fondateur (Converteo) Julien Ribourt Manager
- 25. #DataBreakfast2016#DataBreakfast2016 25 La technologie au service de la libération des contraintes traditionnelles associées à la gestion des actifs data des organisations Possibilité de traitements et d’exploitation Volumes de stockage & Variété des données Coûts de stockage & de calcul Temps Silos #DataBreakfast2016
- 27. #DataBreakfast2016#DataBreakfast2016 Des architectures scalables permettant de stocker toutes les données accessibles au plus grand nombre
- 29. #DataBreakfast2016#DataBreakfast2016 29 Le nouvel écosystème Big Data permet aussi de diminuer les coûts
- 30. #DataBreakfast2016#DataBreakfast2016 Désiloter la donnée ne signifie pas la mettre au même endroit !
- 31. #DataBreakfast2016#DataBreakfast2016 Retravailler et documenter ses données pour pouvoir les exploiter #DataBreakfast2016
- 32. #DataBreakfast2016#DataBreakfast2016 Suiveurs Conservateurs Observateurs Meneur Copier Les concurrents et acteurs étrangers Améliorer Produits, services, études, procédés Créer Réunion de créativité, brainstorming Adapter Les innovations d’autres secteurs Rapide à mettre en place Générateur de valeur
- 33. #DataBreakfast2016#DataBreakfast2016 Les exemples 33 “Notre client connait chaque année des périodes de pic d’activité. Afin de staffer au mieux les équipes logistiques, un algorithme de prévision des ventes a été créé pour mieux anticiper la demande.” Google BigQuery Les données issues de différentes sources (transactions, analytics, plan commercial, etc.) ont été centralisées et processées par Google BigQuery (+1TB total) Prediction Un modéle “maison” basé sur les séries temporelles a été construit en R afin de prévoir les ventes selon 5 catégories produits pour plus de 6 pays Small team Une équipe restreinte autour de 2 consultants Converteo a permis de rapidement délivrer le projet. Au total, moins de 10 personnes différentes sont intervenues Value Le projet a permis de disposer d’un outil permettant d’ajuster au mieux les effectifs en entrepôt en fonction de l’activité réélle Sales Forecast #DataBreakfast2016
- 34. #DataBreakfast2016#DataBreakfast2016 Les exemples 34 “Notre client souhaitait croiser ses données provenant de différentes sources (analytics, crm, survey, …). Un datalake basé sur Amazon a permis de répondre à leurs attentes.” AWS Redshift Utilisation du stack AWS d’Amazon afin de constituer un socle de données pour le décisionnel Visualisation Les dashboards ont été construits sur Qlikview qui se nourrit directement des données issues du socle Redshift Python Python a permis de récupérer, structurer et diffuser les données à travers les différents outils. Il fait désormais partie du nouveau socle “Data Science” Value La nouvelle infrastructure permet de désiloter les données et de disposer d’un puissant outil capable de processer d’importantes volumétries de données DataLake #DataBreakfast2016
- 35. #DataBreakfast2016#DataBreakfast2016 Les exemples 35 Google Speech API Utilisation de la Google API Speech afin de transcrire les échanges téléphoniques en texte NLP Analyse textuel des retranscriptions afin d’identifier des arguments clés parmi les meilleurs vendeurs “Notre client cherchait à rendre les campagnes marketing plus performantes. Avec Converteo, un outil permettant d’extraire le meilleur argumentaire à partir des conversations a été construit.” 2 mois C’est un projet qui peut être mis en place sous deux mois, de la phase de conception à la phase d’implémentation Value Meilleures formations des opérateurs et compréhension des attentes des clients par rapport au produit proposé Speech Analysis #DataBreakfast2016
Editor's Notes
- Intervenant : Matthieu Thèmes à aborder : Rappel de l’activité Chiffres clés possibles à communiquer (audience, classement parmi sites e-commerce de tourisme, nombre de transactions, nombre de billets vendus / mn, nombres téléchargements app…)
- Omniture : mesurer le trafic sur le site Eulerian : mesurer la performance des campagnes marketing Dart/GPT : Gestion d’affichage des publicités Content Square : Gestion de clickmaps et de scrollmaps Demeter : Outil de mesure de la performance de navigation des utilisateurs
- Définir la démocratisation / Quel périmètre ? Collecte / Traitement / Accès / Analyse / Modélisation ? Comprendre dans quelle mesure la démocratisation de la donnée est devenue un enjeu clef au service de vos objectifs et de ceux de l’entreprise… Par exemple, se concentrer sur les analyses à plus forte valeur ajoutée vs. Analyses de 1er niveau gérées par les formations Les objectifs de l’équipe Analytics Répondre aux différents besoins en tracking Etre garant de la qualité de la donnée Evangéliser les équipes Assurer le support sur les outils de Web analyse (Adobe et Eulerian) Former les équipes Apporter un support dans la réalisation d’analyses Réaliser des analyses complexes
- Pourquoi VSC a adopté la méthode agile ? Compatibilité avec le sujet data ? Nécessaire pour démocratiser la data ?
- L’objectif du Data Democratizator est de fournir aux Feature Team un ensemble d’outils et de process permettant une autonomie dans la gestion du tracking => Cela va éviter ainsi les délais de mise en place, liés aux nombreuses étapes décrites précédemment. Les outils proposés couvriront les besoins suivants : Paramétrage du tracking Documentation et génération de templates du Tag Json Vsca_pageTag Automatisation des tests sur le tracking Un ensemble de webservices pour gérer le paramétrage du tracking, ainsi que l’accès à des métriques simples provenant d’Omniture
- Choix de former un grand nombre de collaborateurs aux outils de Web analytics pour permettre l’appropriation de la donnée
- Extraits des supports de présentation pour responsabiliser sur la nécessite d’une data de qualité et expliquer son rôle pour l’atteinte des objectifs business
- API Adobe vers l’intranet Le travail sur les tableaux de bord (dataviz) et faire circuler la donnée avec les API
- Les équipes métier formées pour réaliser les analyses 1er niveau /Immersion dans les équipes via les Data marketing expert/ Les experts peuvent se concentrer sur les formations et les analyses plus pointues Le calendrier d’évènement comme exemple de collaboration et d’échange de data de contexte Autre exemple de projet : segmentation plus lisible pour rendre le marketing plus autonome
- Transversalité / Vision / Frein / Moyens
- Sans les données, une idée n’est qu’une opinion sans rationalisation Avant nous n’avions pas de données notamment parce qu’on ne savait pas les stocker (exemple de la disquette qui faisait 1.4 Mo) Maintenant il existe des systèmes qui peuvent stocker des volumétries monstrueuses et du coup des données on en a beaucoup Voici pourquoi il faut démocratiser la donnée
- On peut stocker n’importe quel type de données dans des volumes énormes Et possibilité de scalabilité facile notamment grâce au cloud Le déployement d’hadoop est facile (distribution, cloud) Avec dataproc, monter un cluster se fait en 90 sec ! Pour démocratiser la donnée il faut déjà pouvoir la stocker quelques soit sa forme
- On peut processer plusieurs TB voir des PB dans des temps records quelques dizaines de secondes (Exemple bigquery 30 sec pour 15 TB processés) Et possibilité de faire du temps réel (architecture lambda, spark streaming/kafka, etc.) attention à son utilité (exemple chaine de vêtement qui analyse toutes les heures les ventes et qui peut être amené à surréagir face à un épiphénomène) La technologie n’est donc plus un problème Pour démocratiser la donnée, il faut pouvoir l’interroger et la manipuler à volonté et facilement
- Et les coûts de stockages on drastiquement diminuer grâce à l’utilisation de commonware (anecdote serveur oracle aphm) Le cloud permet de maitriser/monitorer facilement les coûts. Permet aussi de diminuer la demande de compétences internes, de s’adapter à son marché (si il y a un pic on augmente, si il y a un creux on diminue)
- Le désilotage, ce n’est pas un projet it mais un projet métier avant tout. On conseil de procéder par étape, en fonction des use cases à déployer Un projet data lake, ne signifie pas la centralisation de l’ensemble des données au même endroit. Ce genre de projet est voué à l’échec, il n’apporte pas de valeur parce que c’est inexploitable Le big data est devenu un enjeu métier ! Pour démocratiser la donnée, il faut arriver à la dompter, la gouverner
- Les données restent au cœur du système Il faut ranger ses données et surtout bien documenter les métadonnées (Qui a généré cette donnée, quand est-ce qu’elle a été généré, quoi qu’est ce que c’est) Différents types de données : Données structurés (transactionnels, etc.) Données semi-structurés (logs systèmes, etc.) Données non structurés (pdf, audio, etc.) Et il faut la retravailler : les logs systèmes, la durée d’une session n’existe pas (c’est un différentiel, potentiellement pas la même définition pour tout le monde) La démocratisation de la donnée, passe par son mangement
- Avoir des données est fondamental, mais il faut aussi trouver des moyens de les exploiter à leur plein potentiel et trouver des projets quickwin à fort ROI Use cases possibles : - Réduction des coûts - Amélioration de l’existant Nouveaux services Démocratiser la donnée se traduit par des projets à fortes valeurs ajoutées